ISSN1006－7167CN31－1707/TＲESEAＲCHANDEXPLOＲATIONINLABOＲATOＲY第42卷第2期Vol．42No．22023年2月Feb．2023·实验技术·DOI:10．19927/j．cnki．syyt．2023．02．001基于深度学习的机械臂抓取姿态估计实验设计辛菁，龚爱玲，赵永红，穆凌霞，弋英民，张晓晖(西安理工大学自动化与信息工程学院，西安710048)摘要:为高效准确估计出机械臂对未知物体抓取姿态，提出了一种基于深度学习的机械臂抓取姿态估计方法，并设计了相关实验。该方法将生成抓取卷积网络GGCNN与挤压激励(SE)网络模块相结合，提出基于注意力机制的生成抓取卷积网络SE-GGCNN模型，提高抓取姿态估计的准确率。在Cornell数据集和JACQUAＲD数据集上进行了比较性实验。结果表明，相比于基本的GGCNN模型，SE-GGCNN模型在保证实时性的同时，将IoU指标值由原先的76%提升至82%;对于数据集中未出现过的新对象具备很好的鲁棒性和自适应性;单张图片115ms的检测用时表明所提出的方法适合实时应用，提升了未知物体抓取姿态估计的准确率。关键词:机械臂;深度学习;最优抓取姿态估计;注意力机制中图分类号:TP241.2文献标志码:A文章编号:1006－7167(2023)02－0001－04ExperimentalDesignofGraspingPoseEstimationofManipulatorBasedonDeepLearningXINJing，GONGAiling，ZHAOYonghong，MULingxia，YIYingmin，ZHANGXiaohui(SchoolofAutomationandInformationEngineering，Xi’anUniversityofTechnology，Xi’an710048，China)Abstract:Inthepaper，amethodofgraspingposeestimationofmanipulatorbasedondeeplearningisproposed，andrelatedexperimentsaredesigned．Theproposedmethodcombinesthegenerativegraspingconvolutionalneuralnetworkwithsqueeze-and-excitationnetworks，andproposestheimprovedSE-GGCNNnetworkmodelbasedonattentionmechanism．Themodelcanimprovetheaccuracyofgraspingposeestimation．ThecomparativeexperimentalresultsonCornelldatasetandJACQUAＲDdatasetshowthatcomparedwiththebasicGGCNNmodel，theproposedSE-GGCNNmodelincreasestheintersectionoverunion(IoU)indexvaluefromtheoriginal76%to82%whileensuringthereal-timeperformance．TheSE-GGCNNmodelhasgoodrobustnessandadaptabilityfornewobjectsthathavenotappearedinthedataset．Thedetectiontimeis115msforasingleimagewhichshowsthattheproposedmethodissuitableforreal-timeapplications，andfurth...
